TEKSTUR DAN WARNA PADA IMAGE

Tekstur dan Warna pada Image/Gambar/Citra
Bila kita mengamati sebuah gambar, kita akan dapat dengan mudah menghubungkan daerah-daerah yang mempunyai kesamaan atau kemiripan nilai keabuan ataupun nilai warna menjadi suatu obyek atau suatu wilayah permukaan dari obyek yang terdapat didalam citra. Bahkan mata kita akan dapat memperhitungkan variasi pengurangan atau peningkatan intensitas suatu obyek atau daerah dalam citra selama permukaan obyek atau daerah itu mempunyai pola penampilan yang tetap. Hal ini dapat terjadi karena kita telah mengenal dengan baik obyek yang kita lihat dalam gambar tadi. Selain bentuk dan karakteristik obyek lainnya yang kita tangkap melalui mata, sebenarnya ada informasi lainnya yang turut membantu sehingga kita mampu membedakan dua wilayah yang berdekatan, atau dua obyek yang tumpang tindih, yaitu informasi tekstur, atau sifat dari permukaan obyek atau permukaan benda-benda tersebut didalam gambar yang kita amati.

Tekstur
Tekstur adalah sifat-sifat atau karakteristik yang dimiliki oleh suatu daerah yang cukup besar sehingga secara alami sifat-sifat tadi dapat berulang dalam daerah tersebut. Daerah yang kecil bila dibandingkan dengan elemen-elemen tekstur yang ada didalamnya, tidak dapat menunjukkan tekstur itu sendiri. Hal ini menimbulkan masalah tersendiri pada skala (jauh atau dekatnya jarak suatu obyek pemandangan dari kamera saat diambil, yang berakibat pada komposisi detail-detail informasi yang didapat) yang digunakan untuk mengekstrak sifat-sifat yang berhubungan pada suatu daerah. Sesungguhnya, tekstur yang sama bila dilihat dengan dua skala yang berbeda akan terlihat seperti dua tekstur yang berbeda, bila perbedaan skalanya cukup besar. Dengan skala yang semakin kecil atau rapat (jarak dengan kamera jauh saat pengambilan citra), akan semakin susah untuk mendapatkan tekstur dari permukaan yang diamati, karena perbedaan diantara permukaan obyek dalam citra menjadi lemah, sehingga terlihat sama.

Pengertian dari tekstur dalam hal ini kurang lebih adalah keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel dalam citra digital. Suatu permukaan dikatakan mempunyai suatu informasi tekstur, bila luasannya diperbesar tanpa mengubah skala, maka sifat-sifat permukaan hasil perluasan mempunyai kemiripan dengan permukaan asalnya. Dengan kata lain, pola-pola yang teratur tadi muncul secara berulang-ulang dengan interval jarak dan arah tertentu. Dengan demikian suatu permukaan tak berwarna dalam suatu citra dapat mengandung informasi tekstur bila permukaan itu mempunyai pola-pola tertentu seperti permukaan kayu bekas digergaji, permukaan batu, hamparan pasir atau rumput, dan sebagainya.
Jadi informasi tekstur dapat digunakan untuk membedakan sifat-sifat permukaan suatu benda dalam citra yang berhubungan dengan kasar dan halus, juga sifat-sifat spesifik dari kekasaran dan kehalusan permukaan tadi, yang sama sekali terlepas dari warna permukaan tersebut.

Syarat terbentuknya tekstur setidaknya ada dua, yaitu :
1.Adanya pola-pola primitif yang terdiri dari satu atau lebih piksel. Bentuk-bentuk pola primitif ini dapat berupa tiitk, garis lurus, garis lengkung, luasan, dan lain-lain yang merupakan elemen dasar dari sebuah bentuk.
2.Pola-pola primitif tadi muncul berulang-ulang dengan interval jarak dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya.

ALgoritma SVM (Support Vector Machines)

Support Vector Machine (SVM) pertama kali diperkenalkan oleh Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep-konsep unggulan dalam bidang pattern recognition. Sebagai salah satu metode pattern recognition, usia SVM terbilang masih relatif muda. Walaupun demikian, evaluasi kemampuannya dalam berbagai aplikasinya menempatkannya sebagai state of the art dalam pattern recognition. SVM adalah metode learning machine yang bekerja atas prinsip Structural Risk Minimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class pada input space.

KELEBIHAN DAN KEKURANGAN SVM

Kelebihan SVM antara lain sbb.
1. Generalisasi
Generalisasi didefinisikan sebagai kemampuan suatu metode (SVM, neural network, dsb.) untuk mengklasifikasikan suatu pattern, yang tidak termasuk data yang dipakai dalam fase pembelajaran metode itu. Vapnik menjelaskan bahwa generalization error dipengaruhi oleh dua faktor: error terhadap training set, dan satu faktor lagi yang dipengaruhi oleh dimensi VC (Vapnik-Chervokinensis).
2. Curse of dimensionality
Curse of dimensionality didefinisikan sebagai masalah yang dihadapi suatu metode pattern recognition dalam mengestimasikan parameter dikarenakan jumlah sampel data yang relatif sedikit dibandingkan dimensional ruang vektor data tersebut. Semakin tinggi dimensi dari ruang vektor informasi yang diolah, membawa konsekuensi dibutuhkannya jumlah data dalam proses pembelajaran. Pada kenyataannya seringkali terjadi, data yang diolah berjumlah terbatas, dan untuk mengumpulkan data yang lebih banyak tidak mungkin dilakukan karena kendala biaya dan kesulitan teknis. Dalam kondisi tersebut, jika metode itu “terpaksa” harus bekerja pada data yang berjumlah relatif sedikit dibandingkan dimensinya, akan membuat proses estimasi parameter metode menjadi sangat sulit
4. Feasibility
SVM dapat diimplementasikan relative mudah, karena proses penentuan support vector dapat dirumuskan dalam QP problem. Dengan demikian jika kita memiliki library untuk menyelesaikan QP problem, dengan sendirinya SVM dapat diimplementasikan\ dengan mudah. Selain itu dapat diselesaikan dengan metode sekuensial sebagaimana penjelasan sebelumnya.

Disamping kelebihannya, SVM memiliki kelemahan atau keterbatasan, antara lain:
1. Sulit dipakai dalam problem berskala besar. Skala besar dalam hal ini dimaksudkan dengan jumlah sample yang diolah.
2. SVM secara teoritik dikembangkan untuk problem klasifikasi dengan dua class. Dewasa ini SVM telah dimodifikasi agar dapat menyelesaikan masalah dengan class lebih dari dua, antara lain strategi One versus rest dan strategi Tree Structure. Namun demikian, masing-masing strategi ini memiliki kelemahan, sehingga dapat dikatakan penelitian dan pengembangan SVM pada multiclass-problem masih merupakan tema penelitian yang masih terbuka.

Iklan

No comments yet

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s

%d blogger menyukai ini: